基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

结合灰度和基于动态窗口的纹理特征的遥感影像分类

在基于灰度共生矩阵提取遥感影像纹理特征的基础上,针对固定窗口算法的局限性,提出了动态窗口算法;并将不同滑动窗口算法提取的纹理特征与影像灰度组合进行支持向量机(SVM)分类,对分类结果进行定性和定量比较分析。实验结果表明:影像灰度结合动态窗口算法提取的纹理特征进行SVM分类的分类精度优于灰度结合固定窗口算法提取的纹理特征的分类精度。因此,提出的算法较传统的固定窗口算法更具优势,是一种有效纹理信息提取方法。     

基于灰度共生矩阵提取纹理特征图像的研究

在遥感影像分类的过程中非光谱特征起着重要的辅助作用。纹理特征作为一种重要的非光谱特征对于遥感影像分类精度的提高也有很重要的作用。本文主要研究了通过灰度共生矩阵提取纹理特征图像的方法,对该方法提取纹理特征图像进行了相关的实验分析。并将其在分类中的应用进行实验,证明了灰度共生矩阵提取的纹理特征对图像分类精度提高起到一定的作用。     

纹理特征辅助遥感影像分类技术的探讨

随着卫星遥感影像分辨率的不断提高,人们希望从遥感图像中获得更多有用的数据和信息,所以遥感影像的分类变得尤为重要.但是基于光谱特征的影像分类精度过低,不能满足生产的需要,所以研究利用其他辅助手段来提高遥感影像的分类成为未来发展的一个重要方向.本文研究了利用灰度共生矩阵提取纹理特征的方法并对利用纹理特征影像辅助光谱特征分类的方法进行了研究.实验结果表明,纹理特征辅助光谱特征分类能够提高遥感影像分类的准确性和精度.     

基于纹理特征的陇西黄土高原地表覆盖信息提取

在遥感影像分类的过程中非光谱特征起着重要的作用。纹理特征作为一种重要的非光谱特征对于遥感影像分类精度的提高也有很重要的作用。以陇西黄土高原为实验区,Landsat TM5为数据源,利用灰度共生矩阵建立纹理特征统计量,通过实验分析不同地物提取过程中最有效的纹理特征量,并运用面向对象分类方法对其分类。结果表明,灰度共生矩阵提取的纹理特征对图像分类精度提高可起到一定的作用。     

基于多特征的人工海岸线提取方法

在中高分辨率的遥感影像中,海岸地物呈现出更多的细节,尤其是受人类影响程度较大的人工海岸。文中针对较为复杂的人工海岸遥感影像,进行基于多特征的海岸线提取方法研究。实验选用SPOT影像作为实验影像,分析实验区海岸带SPOT影像的光谱特征、形状特征和空间关系特征,使用多种特征来提取海岸线,实验结果表明,方法能对海岸带地物进行正确分类并实现海岸线的自动提取。     

多特征流形鉴别嵌入的高分辨率遥感影像分类

针对高分辨遥感影像同谱异物、同物异谱导致单一特征分类结果精度较差的问题,本文提出了多特征流形鉴别嵌入的高分辨率遥感影像分类方法。该方法首先提取高分辨率影像数据的光谱特征与LBP纹理特征;然后通过样本数据的联合光谱、纹理特征的空间距离及对应的类别信息,构建影像对象的类间图与类内图,用于学习高分辨率影像上的鉴别流形结构,保证在嵌入空间上尽可能不同地物特征分离、相同地物特征紧聚,确保相同地物光谱、纹理特征的相似性,完成光谱、纹理鉴别特征的有效提取,以充分挖掘影像特征,有效提高影像的分类精度。在GF-2遥感数据集上进行试验,结果表明本文算法可实现多特征的有效融合,分类精度均优于传统方法,可达93.41%。     

一种遥感影像自动识别耕地类型的机器学习算法

耕地作为重要的土地资源,关系着国家的粮食安全问题,因此迫切需求快速准确获取耕地信息的方法。传统的遥感影像监督分类方法以训练样本和待分类像元/图斑的光谱特征或纹理特征的一致性作为分类依据,这对训练样本的依赖性较强。对此提出了一种基于影像窗口子区的耕地类型自动识别算法,通过提取一定大小影像窗口子区的多光谱和多层次特征,利用机器学习算法,实现影像窗口子区耕地和非耕地类型的自动判别。依据该算法,可以通过建立某个区域内遥感影像耕地类型的特征库,实现对影像窗口子区类别的非监督自动判别,提高目前分类算法的自动化程度。以东北地区高空间分辨率遥感影像为例进行实验,精度达到了90. 8%。该算法为耕地信息自动化快速获取提供了技术支持,也可用于遥感影像中某一种纯净地物类型的快速提取。     

基于mGA-SVM算法的高分影像面向对象分类研究

高分辨率遥感卫星影像是获取地物精细类别的重要数据源,快速准确地获取土地利用和土地覆盖分类信息可为土地利用规划、土地管理等提供重要的数据支撑和决策依据。本文开展了高分辨率影像面向对象分类研究,首先,利用多尺度分割方法对高分辨率影像进行分割,基于分割对象,选取不同地物类别样本并计算光谱特征、纹理特征、几何特征。然后,针对特征冗余问题,利用最大相关最小冗余算法选择优先级较高特征,在此基础上结合遗传算法对特征集进行适当扩充(m GA)。在面向对象分类过程中,通过利用遗传算法对支持向量机模型进行快速参数寻优,并在此基础上对分割对象进行分类。最终地物总体精度达到85.93%,Kappa系数为0.828 2。并将分类结果与最近邻分类和随机森林分类结果进行了比较,地物分类精度提高了4.05%和6.81%。实验结果表明:基于m GA特征优化及SVM参数选择进行改进的面向对象的分类方法是有效的。     

道路综合特征下高分辨率遥感影像的提取

针对在高分辨率遥感影像中如何提高道路信息提取的准确度和信息量这一问题,通过对影像光谱和纹理特征的分析,将影像特征按照2种光谱特征和3种纹理特征进行分类,进而改善传统的图像分割方法,选择灰度级数和像素对的相对方向、距离和窗口大小作为参数,再通过灰度共生矩阵运算获取影像的纹理信息,通过对这些纹理特征的综合比较分析,最后确定角二阶矩、熵和对比度作为道路纹理特征统计量;再通过对图像像元分析比较,将图像像元标准差和灰度均值作为道路信息提取的光谱特征;在对道路综合特征分析基础上,再通过对遥感图像几何特征分析,最后利用数学形态学的开运算、闭运算、腐蚀、细化等模型算法对遥感图像进行精细化处理,得到道路提取较好的结果。该方法可用于复杂路况的道路信息提取。     

利用融合纹理与形态特征进行地震倒塌房屋信息自动提取

提出了一种以震后单一时相高空间分辨率光学遥感影像为基础,融合纹理特征和形态特征的地震倒塌房屋自动提取方法,研究了不同尺度纹理特征和形态特征在倒塌房屋提取中的作用和表现。以5.12汶川地震作为研究实例,结果表明,本方法能够有效提取地震倒塌房屋。倒塌房屋产品精度和用户精度分别为86.65%和86.35%,Kappa系数为0.790 6。     

地貌特征点的数学描述与分析

在用等高线表示3维空间地貌形态的科学性这一问题得到解决之后,自然想到如何用数学的方法来描述地貌的各种特征点。地图中的峰、谷、鞍点对应着二元函数的极大值点、极小值点以及马鞍点,首先从地貌函数的二阶方向导数入手给出了判别它们的一个基本条件,并且给出了判别它们的一个较强的充分性条件的简捷证明。然后从概念出发,用函数分析方法首次给出了地性线的宏观定义和微观定义,同时还给出了地性点的科学定义、性质以及与等高线曲率极值点的关系定理和证明。     

基于对象特征的遥感影像分类

为了有效地实现分类识别,采用多尺度分割后影像为数据源,通过计算影像对象特征,实现特征集构建,并对特征集进行特征提取,辅助决策树的特征选择方法,达到特征优选的目的,针对影像对象的特征实现对TM影像的分类,实验表明该方法较一般的特征提取方法精度大幅提高,且完成可视化特征提取的重要任务。     

多通道颜色信息融合与纹理影像检索

利用纹理特征进行遥感影像检索时,通常先将多波段影像转化为灰度影像再提取纹理特征,但由于忽略了影像的颜色信息,用于遥感影像检索时往往难以得到好的检索结果。针对此问题,该文利用Gabor小波构造多个相同方向不同尺度的滤波器以提取波段之间的差异信息,并与传统的纹理特征融合构成改进的纹理特征。实验结果表明,相比传统的纹理特征,改进的纹理特征对影像内容的描述能力更强,有效地改善了检索结果,提高了检索查准率。     

正交变换的信息特征分析与选择的研究

对测绘模式识别理论进行研究，特别是对信息特征选择的理论与方法进行分析，在最小均方误差（MSE）准则下，建立了信息特征选择的优化理论模型，并给出解算结果，从而指出了卡南－洛伊夫变换（KLT）是信息特征选择的最优正交变换。根据信息论中熵函数的思想，建立一种新的熵函数－第二表示熵，用它分析KLT下的信息特征及KLT后特征值的信息载荷，从而当给出误差限后，提出信息特征优化选择的一种算法。最后给出在测绘模式识别中的应用模型及算例。     

线状要素与面状要素的关系处理

线状要素与面状要素的关系在地图制图综合中是必须处理的。它们的关系在制图综合和景观模型向制图模型的转换中都是必须考虑的。本文主要讨论线状要素与面状要素的关系以及这些关系在数据处理中的保持。     

基于结构特征的地图信息识别与提取

叙述了基于结构特征的地图信息识别与提取的方法 ,讨论了收缩变换、扩张变换、细化、Hough变换、RLS变换和特征点提取等各种特征提取算法。     

基于Visual Studio的图像特征点提取研究与实现

图像特征点提取不仅应用于计算机视觉领域而且也是摄影测量中的重要环节。本文主要分析了摄影测量中几种常用的特征点提取算子并结合FLANN匹配方法在VS2012上实现各个特征点算子的性能比较。结果表明:运用BRISK特征检测子结合BRISK描述子来提取特征点不仅提取速度快、消耗内存小,而且具有尺度、旋转不变性和对噪声的鲁棒性。如果不考虑图像的尺度、旋转的变化,则FAST和ORB组合的结果是最优的。     

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。     

突出边缘特征的图像融合方法研究

介绍了像素级图像融合及特征级图像融合方法,分析了两种融合层次的优点。在此基础上,提出了两种突出边缘特征的图像融合方法,两种方案均对人们感兴趣的边缘特征进行增强,并在融合过程中考虑了边缘提取时的假边缘和双边缘情况。实验结果显示,边缘增强方案1提高了边缘定位的准确性,边缘增强方案2有效解决了方案1中融合影像缺少空间细节信息的问题。两种方案有效地增强了融合后图像的边缘特征,有利于图像的后续判读及图像识别。